РЕАЛИЗАЦИЯ ТОРГОВОГО СОВЕТНИКА ДЛЯ МУЛЬТИРЫНОЧНОЙ ПЛАТФОРМЫ METATRADER 5
Аннотация
В статье рассмотрен процесс создания гибкой торговой стратегии для алготрей-
динга в специализированной среде разработки MQL5 IDE в мультирыночной платформе
MetaTrader 5. Показаны преимущества и целесообразность использования платформ
MetaTrader 5, MetaTrader 4 и соответствующих им торговых приложений Trade Assistant,
Forex Trade Manager, Trade Time Manager, CAP Gold Albatross EA и Fast Copy. Проведенсравнительный анализ имеющихся реализаций торговых советников, основанных на раз-
личных индикаторах, а также созданных с применением интеллектуальных технологий.
В ранее реализованных торговых советниках для прогнозирования цен волатильности фи-
нансовых активов в основном использованы алгоритмы гибкого обучения, модели компен-
саторной нечеткой логики, инструменты технического анализа, что влечет за собой вы-
сокие временные затраты в условиях высокой волатильности финансового рынка. Для ре-
шения данной проблемы авторами предлагается комплексный подход, основанный на при-
менении инструментов технического анализа, встроенных в мультимедийную платформу
MetaTrader 5 и алгоритма автоматизации торговой стратегии, что позволяет получить
прогноз заданной точности по выбранному инструменту в режиме реального времени.
В работе обоснована необходимость внедрения элементов автоматической торговли при
анализе котировки финансовых инструментов и управлении торговым счетом во избежа-
ние механических, аналитических, организационных и психологических ошибок, совершае-
мых трейдерами. В ходе исследования поэтапно показан процесс создания, отладки, тес-
тирования, оптимизации и исполнения реализуемого торгового советника. Разработан
алгоритм автоматизации торговой стратегии и представлена его блок-схема. Определе-
ны исходные данных для алгоритма автоматизации торговой стратегии, а также описан
математический аппарат вычисления показателей лимитных ордеров типа TakeProfit и
StopLoss. Так как биржевая торговля связана со множеством рисков, то было проанализи-
ровано влияние различных значений лотов лимитных ордеров типа TakeProfit и StopLoss на
возможную прибыль и ограничение на просадку (убыток). В результате советник кор-
ректно отработал в реальном режиме времени без участия человека в течение восьми
недель по двум торговым стратегиям. Результаты тестирования разработанного про-
граммного обеспечения позволяют сделать следующие выводы: когда советник показывает
высокую степень рекомендации, фактические финансовые активы показывают высокую
эффективность.
Литература
[Technical analysis tools using Python and MetaTrader 5], Obrazovanie i nauka bez granic:
social'no-gumanitarnye nauki [Education and science without borders: social sciences and
humanities], 2022, No 17, pp. 46-52.
2. Kondratieva T.N., Rveveeva I.F. Avtomaticheskaya torgovaya sistema v klientskom terminale
MetaTrader 5 [Automated trading system in the MetaTrader 5 client terminal], Sovremennye
naukoemkie tekhnologii [Modern high technologies], 2018, No 10. pp. 56-60.
3. Kondratieva T.N. Printsip raboty trendovykh indikatorov [The principle of operation of trend
indicators], Internet-zhurnal Naukovedenie [Journal of Naukovedenie], 2013, No. 3. Available
at: https://naukovedenie.ru/PDF/63trgsu313.pdf (accessed 09/11/2022).
4. Kasparinsky F.O. Printsipy mul'titreydinga [Principles of multitrading]. Elektronnye biblioteki
[Electronic libraries], 2021, Vol. 24, No 5, pp. 808-869. DOI 10.26907/1562-5419-2021-24-5-
808-869.
5. Eremin V.V. Vybor tekhnicheskogo indikatora dlya rossiyskogo fondovogo rynka [The choice
of a technical indicator for the Russian stock market], Alleya nauki [Alley of Science], 2020,
Vol. 1, No 11 (50), pp. 97-105.
6. Nazário R.T.F., Silva J.L., Sobreiro V.A., Kimura H.A. literature review of technical analysis
on financial asset markets, Q. Rev. Econ. Financ., 2017, Vol. 66, pp. 115-126.
7. Scott G., Carr M, Cremonie M. Technical Analysis: Modern Perspectives; CFA Institute Research
Foundation: Charlottesville, VA, USA, 2016.
8. Fernandez E., Navarro J., Solares E., Coello C.C. A novel approach to select the best portfolio
considering the preferences of the decision maker, Swarm Evol. Comput., 2019, Vol. 46,
pp. 140-153.
9. Saul J., Jun M. Modeling Technical Analysis; EPSRC: Swindon, UK, 2018; Chapter 1, pp. 3.
10. Irwin S.H., Park C.-H. What do we know about the profitability of technical analysis?,
J. Econ. Surv., 2007, No. 21, pp. 786-826.
11. Market Technicians Association. CMT Level I 2016: An Introduction to Technical Analysis;
JohnWiley & Sons: Hoboken, NJ, USA, 2015.
12. Sevryugin Yu.V., Soshin N.A. Klassifikatsiya avtomatizirovannykh birzhevykh torgovykh
strategiy – torgovyh robotov [Classification of automated exchange trading strategies – trading
robots]. Aktual'nye problemy i perspektivy razvitiya ekonomiki: rossiyskiy i zarubezhnyy opyt
[Actual problems and prospects for the development of the economy: Russian and foreign experience],
2022, No 2 (40), pp. 7-11.
13. Gasimova L.A. Sozdanie torgovogo robota na osnove stokhasticheskogo ostsillyatora dlya
torgovli privilegirovannymi aktsiyami Sberbanka [Creation of a trading robot based on a stochastic
oscillator for trading preferred shares of Sberbank], Matematicheskoe i komp'yuternoe
modelirovanie v ekonomike, strakhovanii i upravlenii riskami [Mathematical and computer
modeling in economics, insurance and risk management], 2021, No. 6, pp. 47-52.
14. Dolgovskaya Yu.A. Cozdanie torgovogo robota dlya avtomaticheskoy torgovli na fondovom
rynke [Creation of a trading robot for automatic trading in the stock market], Matematicheskoe i
komp'yuternoe modelirovanie v ekonomike, strakhovanii i upravlenii riskami [Mathematical and
computer modeling in economics, insurance and risk management], 2017, No. 2, pp. 46-49.
15. Timofeev A.G., Lebedinskaya O.G. Sozdanie torgovoy programmy-robota dlya
algoritmicheskoy torgovli i birzhevykh operatsiy [Creation of a trading robot program for algorithmic
trading and exchange operations], Ekonomika i upravlenie: problemy, resheniya
[Economics and management: problems, solutions]. 2018. Vol. 4. No 4. pp. 97-104.
16. Belokonskaya E.G., Kalyagin I.I. Razvitie instrumental'nykh sredstv algotreydinga na osnove
primeneniya neyronnykh setey [Development of tools for algorithmic trading based on the use
of neural networks]. Izvestiya vysshikh uchebnykh zavedeniy. Seriya: Ekonomika, finansy i
upravlenie proizvodstvom [News of higher educational institutions. Series: Economics, finance
and production management], 2017, No 1 (31), pp. 53-56.
17. Kondratieva T.N. Kompleksnyy podkhod analiza sovremennykh indikatorov finansovogo
rynka [An integrated approach to the analysis of modern indicators of the financial market],
Obozrenie prikladnoy i promyshlennoy matematiki [Review of Applied and Industrial Mathematics],
2015, Vol. 22, No 5, pp. 589-590.
18. Daniali S.M., Barykin S.E., Kapustina I.V., Mohammadbeigi Khortabi F., Sergeev S.M., Kalinina
O.V., Mikhaylov A., Veynberg R., Zasova L,; Senjyu T. Predicting Volatility Index According to
Technical Index and Economic Indicators on the Basis of Deep Learning Algorithm, Sustainability,
2021, No. 13, pp. 14011. Available at: https://doi.org/10.3390/su132414011.
19. Rodríguez-Cándido, N.P., Espin-Andrade R.A., Solares E., Pedrycz W.A. Compensatory Fuzzy
Logic Model in Technical Trading, Axioms, 2021, No. 10, pp. 36. Available at:
https://doi.org/10.3390/axioms10010036.
20. Yanyun Yao, Shangzhen Cai & Huimin Wang. Are technical indicators helpful to investors in
china’s stock market? A study based on some distribution forecast models and their combinations,
Economic Research-Ekonomska Istraživanja, 2022, Vol. 35:1, P. 2668-2692. DOI:
10.1080/1331677X.2021.1974921.
21. Han Yufeng, Liu Yang, Zhou Guofu and Zhu Yingzi. Technical Analysis in the Stock Market:
A Review (May 21, 2021). Available at SSRN: https://ssrn.com/abstract=3850494 or
http://dx.doi.org/10.2139/ssrn.3850494.
